通过热处理制备出具有回火马氏体组织、下贝氏体组织以及粒状贝氏体组织的718钢，利用光学显微镜、扫描电子显微镜、X射线衍射仪、万能拉伸实验机比较其显微组织及力学性能。同时借助高速铣削实验及光学轮廓仪，研究力学性能以及组织结构对切削性能的影响。结果表明，当切削速度低于145 m·min?1时，贝氏体组织类型比回火马氏体组织更易切削，切削贝氏体组织比切削回火马氏体组织的刀具使用寿命高30%～40%。当切削速度高于165 m·min?1时，马氏体组织发生了加工软化现象，刀具使用寿命提高，切削性能上升。粒状贝氏体组织加工表面因为严重的刀具黏附而出现背脊纹路，马氏体组织具有最佳的切削表面粗糙度。综合考虑之下，三种组织的综合切削性能从高到低排序为：下贝氏体组织、马氏体组织、粒状贝氏体组织，采用300 ℃等温淬火工艺可以有效提升718塑料模具钢的综合切削性能

介绍了模拟结晶器内渣膜形成的实验方法, 综述了国内外学者在保护渣传热方面所做的研究工作, 包括固态渣膜的界面热阻、保护渣的导热系数、辐射传热以及渣膜的光学性质, 并提出了今后在渣膜形成及传热研究中有待进一步完善的内容和方向.现有的研究结果表明利用热丝法可以对渣膜的形成过程进行原位观察, 采用水冷铜探头法可以获取用于研究渣膜微观组织的固态渣膜样品.渣膜的界面热阻在0.0002~0.002 m2·K·W-1之间.在800℃以下, 保护渣的导热系数在1.0~2.0 W·m-1·K-1范围内, 且随温度的升高而逐渐增加.渣膜中的晶体一方面可以增加渣膜的界面热阻, 另一方面可以提高固态渣膜的反射率, 起到降低辐射热流的作用.此外, 过渡族金属氧化物的加入以及固态渣膜中弥散分布的微小颗粒也能改变渣膜的光学性质, 从而影响通过渣膜的辐射传热

通过在Na2SiO3-KOH基础电解液中加入石墨烯添加剂,在镁锂合金表面制备出一层自润滑的含碳陶瓷层. 利用扫描电镜、原子力显微镜以及X射线衍射仪分析了陶瓷层的表面形貌、粗糙度以及物相组成,利用摩擦磨损试验仪对陶瓷层在室温下的摩擦学性能进行研究. 其结果表明,加入石墨烯后制备出的含碳陶瓷层表面放电微孔分布均匀,且其微孔尺寸和表面粗糙度均明显降低. 相比于镁锂合金,陶瓷层的表面硬度也得到明显的提高. 此外,含碳陶瓷层主要由SiO2、Mg2SiO4以及MgO物相组成,而石墨烯则以机械形式弥散分布于陶瓷层中并起到减摩作用. 当石墨烯体积分数为1%时,陶瓷层表面显微硬度为1317.6 HV0.1 kg,其摩擦系数仅为0.09,其耐磨性明显提高. 同时,陶瓷层磨痕的深度和宽度均明显小于镁锂合金,而且较为光滑,表明陶瓷层表面没有发生严重的黏着磨损

为解决RNN–T语音识别时预测错误率高、收敛速度慢的问题，本文提出了一种基于DL–T的声学建模方法。首先介绍了RNN–T声学模型；其次结合DenseNet与LSTM网络提出了一种新的声学建模方法— —DL–T，该方法可提取原始语音的高维信息从而加强特征信息重用、减轻梯度问题便于深层信息传递，使其兼具预测错误率低及收敛速度快的优点；然后，为进一步提高声学模型的准确率，提出了一种适合DL–T的迁移学习方法；最后为验证上述方法，采用DL–T声学模型，基于Aishell–1数据集开展了语音识别研究。研究结果表明：DL–T相较于RNN–T预测错误率相对降低了12.52%，模型最终错误率可达10.34%。因此，DL–T可显著改善RNN–T的预测错误率和收敛速度

为了深入探讨胶磷矿难选的具体原因，采用化学分析、X射线衍射以及矿物自动分析系统（AMICS）测试手段对云南某胶磷矿浮选给料进行了系统深入的工艺矿物学研究，探索了该矿样难浮选分离的内在机理。结果表明：该样品中磷主要以氟磷灰石形式存在，其脉石矿物以白云石和石英为主。氟磷灰石的嵌布粒度较细，主要分布于10～75 μm的粒度范围，其单体解离度为59.17%。除了以单体的形式存在以外，氟磷灰石主要与白云石、石英连生，连生体的质量分数分别为26.23%和9.92%。而白云石和石英的单体解离度相对较低，分别为46.82%和39.10%。进行了粗选脱镁、一粗两扫脱硅的闭路流程浮选试验，获得了精矿P2O5品位为29.75%、P2O5回收率为81.95%，SiO2品位为12.63%的浮选指标。结合工艺矿物学分析结果，指出该浮选样品中胶磷矿嵌布粒度细、难以获得较好的解离度、泥化严重是浮选难于获得更好指标的主要原因

研究了全状态约束与输入饱和情况下的全向移动机器人轨迹跟踪控制问题.首先，针对一类三轮驱动的全向移动机器人，考虑系统存在模型参数不确定与外部扰动，建立了运动学与动力学模型；其次，利用障碍Lyapunov函数，结合反步设计方法，有效处理全向移动机器人跟踪过程中存在的状态约束，保证所有状态变量不会超出状态约束的限制区域；然后，针对系统参数不确定和未知有界扰动，设计相应的自适应律进行处理；同时，提出一种抗饱和补偿器保证机器人输入力矩满足饱和约束；并且利用Lyapunov理论分析证明了当选取合适的控制参数时闭环系统中的所有信号均能保证一致有界；最后，通过与未考虑状态约束和输入饱和的控制器以及经典比例-微分控制器进行仿真对比，验证了该方法的有效性和鲁棒性

基于非均匀分布的虚拟材料模拟螺栓连接薄板搭接部分的力学特性，其中虚拟材料的材料参数用复模量表示，可直接生成复刚度矩阵以表示搭接部分的刚度及阻尼特性，省却了常规建模中生成结合部阻尼矩阵的步骤，在保证模型精确性的基础上简化了建模流程，以此建立了螺栓连接薄板结构的半解析模型并对其进行了动力学分析。首先描述了建模理念，将虚拟材料分别假定了三种复模量非均匀分布形式模拟螺栓搭接部分的力学特性，提出用反推辨识技术确定虚拟材料储能模量与耗能模量的方法。接着，基于能量法并用正交多项式假定模态，推导了螺栓连接薄板的半解析分析模型，并创新性地给出了求解半解析模型任意锤击点与拾振点处频响函数的公式。最后，以一个具体的螺栓连接薄板结构为对象进行了实例研究，结果表明：用所创建的半解析模型计算出的各阶仿真固有频率与实验测得的各阶固有频率的误差均在5%以内，计算得到的各阶仿真模态振型以及频响函数曲线与实测值均较为接近，从而证明了利用复模量非均匀分布的虚拟材料模拟螺栓搭接部分可有效简化螺栓结合部建模，亦可达到较高的仿真计算精度

在650、680和710 ℃不同温度条件下对碳质量分数为0.66%的淬火高碳钢进行了石墨化处理，并利用场发射扫描电子显微镜、电子探针、X-射线衍射仪和透射电子显微镜对其石墨化过程的组织进行金相分析，以及利用组织转变动力学理论，绘制了其石墨化过程的动力学曲线，并建立了相应的动力学方程。研究结果显示：在石墨化过程中，淬火马氏体首先向析出碳化物的稳定状态转变，且在碳化物为渗碳体Fe3C时，石墨粒子析出速度开始明显增加；基体组织中针叶状α-Fe发生再结晶，由等轴状铁素体逐步代替针叶状的α-Fe；铁素体中的碳含量随着石墨化时间的延长而逐步降低，即由过饱和状态转变为稳定态，碳含量在石墨粒子中突变增为峰值，而铁含量则突变降为谷值，由此表明，渗碳体分解的碳向石墨核心扩散，铁自石墨核心处扩散出来，而形成石墨粒子；石墨粒子面积分数随时间变化的曲线呈S形状，即该动力学过程符合动力学模型JMAK（Johnson-Mehl-Avrami-Kolmogorov）方程，且该方程中的n值为1.5～1.7

深度神经网络近年在计算机视觉以及自然语言处理等任务上不断刷新已有最好性能，已经成为最受关注的研究方向.深度网络模型虽然性能显著，但由于参数量巨大、存储成本与计算成本过高，仍然难以部署到硬件受限的嵌入式或移动设备上.相关研究发现，基于卷积神经网络的深度模型本身存在参数冗余，模型中存在对最终结果无用的参数，这为深度网络模型压缩提供了理论支持.因此，如何在保证模型精度条件下降低模型大小已经成为热点问题.本文对国内外学者近几年在模型压缩方面所取得的成果与进展进行了分类归纳并对其优缺点进行评价，并探讨了模型压缩目前存在的问题以及未来的发展方向

针对分类数据, 通过数据对象在属性值上的集中程度定义了新的基于属性值集中度的类内相似度(similarity based on concentration of attribute values, CONC), 用于衡量聚类结果中类内各数据对象之间的相似度; 通过不同类的特征属性值的差异程度定义了基于强度向量差异的类间差异度(dissimilarity based on discrepancy of SVs, DCRP), 用于衡量两个类之间的差异度.基于CONC和DCRP提出了新的分类数据聚类有效性内部评价指标(clustering validation based on concentration of attribute values, CVC), 它具有以下3个特点: (1)在评价每个类内相似度时, 不仅依靠类内各数据对象的特征, 还考虑了整个数据集的信息; (2)采用几个特征属性值的差异评价两个类的差异度, 确保评价过程不丢失有效的聚类信息, 同时可以消除噪音的影响; (3)在评价类内相似度及类间差异度时, 消除了数据对象个数对评价过程的影响.采用加州大学欧文分校提出的用于机器学习的数据库(UCI)进行实验, 将CVC与类别效用(category utility, CU)指标、基于主观因素的分类数据指标(categorical data clustering with subjective factors, CDCS)指标和基于信息熵的内部评价指标(information entropy, IE)等内部评价指标进行对比, 通过外部评价指标标准交互信息(normalized mutual information, NMI)验证内部评价效果.实验表明相对其他内部评价指标, CVC指标可以更有效地评价聚类结果.此外, CVC指标相对于NMI指标, 不需要数据集以外的信息, 更具实用性